针对物联网网络入侵检测的双注意力深度学习框架 CST-AFNet
机器学习
2025-12-18 v1 人工智能
密码学与安全
摘要
互联网物联网 (IoT) 的快速扩张通过实现智能自动化和实时连接，彻底改变了现代行业。然而，这一演变也引入了由于这些环境的异构性、资源受限和分布式特性而导致的复杂网络安全挑战。为应对这些挑战，本研究提出了 CST-AFNet，一种专为针对物联网网络进行鲁棒入侵检测而设计的新型双注意力深度学习框架。该模型集成了用于空间特征提取的多尺度卷积神经网络 (CNN)，用于捕获时序依赖性的双向门控循环单元 (BiGRU)，以及一种双注意力机制（通道注意力和时序注意力），以增强对数据中关键模式的关注。该方法在包含超过 220 万个标记实例、涵盖 15 种攻击类型和良性流量的 Edge IIoTset 数据集上进行了训练和评估，该数据集来自一个七层工业测试平台。我们提出的模型在 15 种攻击类型和良性流量方面实现了卓越的准确率。CST-AFNet 实现了 99.97% 的准确率。此外，该模型在宏平均精确率、召回率和 F1 分数方面均超过 99.3%。实验结果表明，CST-AFNet 在检测准确率方面显著优于传统深度学习模型。我们的发现确认 CST-AFNet 是一种强大且可扩展的解决方案，可用于复杂物联网和工业物联网环境中的实时网络威胁检测，为构建更安全、更智能、更自适应的网络-物理系统铺平了道路。
引用
@article{arxiv.2510.02717,
title = {CST-AFNet: A dual attention-based deep learning framework for intrusion detection in IoT networks},
author = {Waqas Ishtiaq and Ashrafun Zannat and A. H. M. Shahariar Parvez and Md. Alamgir Hossain and Muntasir Hasan Kanchan and Muhammad Masud Tarek},
journal= {arXiv preprint arXiv:2510.02717},
year = {2025}
}
备注
9 pages, 9 figures, 5 tables